CN103310220A - 一种三维舰船识别方法 - Google Patents

Abstract

本发明提供一种匹配运算量小，识别的时效性以及准确性高的三维舰船识别方法：建立已有舰船三维模型数据库；建立三维参考模型；初始化三维参考模型和已有舰船三维模型的姿态；旋转三维参考模型至与待识别舰船图像相同的姿态；根据三维参考模型旋转的角度调整已有舰船三维模型的姿态，得到当前姿态下的所有舰船三维模型的二维投影图像；提取待识别舰船图像的前景区域；提取待识别舰船图像前景区域和所有舰船二维投影图像的特征；将待识别舰船图像匹配至最相似的舰船类型。本发明直接将已有舰船三维模型旋转至待识别舰船图像的姿态，找到最佳匹配来识别三维舰船，从而降低识别匹配的运算量，并且避免了采样的间隔过大导致的舰船识别精确度低的缺陷。

Description

一种三维舰船识别方法

技术领域：

本发明涉及舰船目标的识别，尤其适用于基于三维模型进行舰船目标识别。

背景技术：

近年来，利用三维信息识别物体的方法颇受关注，是解决三维物体识别的必然趋势。在现有技术中，其中一种方法是从图像中提取具有仿射不变性的局部特征，并计算图像中所有局部特征的统计特性，来掩盖视角变化所带来的三维形变。另一种方法在局部特征提取的基础上，构建局部特征的几何模型，通过计算几何模型的仿射变形来纠正三维物体视角变化的影响。以上两种方法只适合区分类间距离较大、类内距离较小的物体类别，而不适合解决舰船型号类别区分问题，这是由于舰船本身体积较大并且不同型号的舰船目标差异较小难以区分。

目前，比较流行的三维物体识别方法是通过建立一组已有物体的可以自由旋转的三维物体模型，并将每一个已建立的三维物体模型旋转多个角度从而得到不同旋转角度下的二维投影图像，然后将待识别图像与每一个已建立的三维物体模型不同旋转角度下的二维投影图像进行匹配识别。这种方法应用于舰船识别的缺陷是需要将已有舰船三维模型的视角空间离散化，生成一组离散的已有舰船二维投影图像集合(例如以5°为间隔得到离散的二维投影图像集合)，将待识别舰船图像与已有舰船二维投影图像进行匹配，大量的匹配运算影响识别的时效性；同时离散化的视角表示不能准确描述任意视角下的舰船姿态，降低了舰船识别的准确性。

发明内容：

本发明要解决的问题是提供一种匹配运算量小，识别的时效性以及准确性高的三维舰船识别方法。

本发明解决三维舰船目标的图像识别问题。舰船图像是对三维物体进行二维投影得到的，在识别过程中，因损失三维物体的空间结构信息造成以下困难，相同的舰船目标在不同视角下的二维投影图像差异很大，不同的目标在一些视角下的投影图像十分相似。本发明针对以上困难，解决三维模型与待识别图像的姿态匹配、待识别图像的舰船前景提取和图像的识别特征提取等问题。

本发明的原理是，直接将已有舰船三维模型旋转至待识别舰船图像的姿态，通过找到最佳匹配来识别三维舰船。

本发明的技术方案是，一种三维舰船识别方法，包括的步骤有：

建立已有舰船三维模型数据库；

建立三维参考模型；

将三维参考模型和数据库中的已有舰船三维模型调整至相同的初始姿态；

将三维参考模型旋转至与待识别舰船图像相同的姿态；

根据三维参考模型旋转的角度调整数据库中所有舰船三维模型的姿态，得到当前姿态下的所有舰船三维模型的二维投影图像；

提取待识别舰船图像的前景区域；

提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征；

对提取的特征进行匹配，将待识别舰船图像匹配至最相似的舰船类型，

根据待识别图像前景区域与所有舰船三维模型二维投影图像的特征向量的距离最小原则，将待识别舰船匹配至具有最小距离的已有舰船，从而完成了三维舰船的识别。

假设两幅舰船图像的特征向量分别为F₁＝{f_1i}和F₂＝{f_2i}(i＝1，2，…，T；T为特征向量的维数)；因此，特征向量间的距离可以表示为：

$d(F_1,F_2)=\sqrt{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{(f_{1i}-f_{2i})}^2}$

本发明通过建立三维参考模型，直接将已有舰船三维模型旋转至待识别舰船图像的姿态，找到最佳匹配来识别三维舰船。从而避免生成不同姿态下的已有舰船模型的二维投影集合，大大降低了识别匹配的运算量，并且避免了现有技术中采样的间隔过大，不能满足任意姿态的舰船精确识别。

然而，所述提取待识别舰船图像的前景区域的步骤，需要将舰船前景从图像背景中切分出来，舰船结构复杂，颜色与海洋背景十分接近，图像通常包含相混淆的背景，为舰船的图像前景切分带来困难。现有技术中，通常采用k-means或者N-cut等方法进行舰船图像的切分，其原理是根据不同的区域属性或者边缘属性，将图像切分成一组连通区域的集合，进而从中选择一组连通区域作为舰船前景。这类方法由于未能利用图像的标记信息(如图像的前景/背景种子点)有效指导图像前景的切分过程，同时，这类方法通常仅利用图像的单一属性作为切分依据，未能综合考虑多种影响切分结果的因素。因此，不能准确地获得舰船前景，结果如图6所示。

进而，本发明提供了一种基于图割切分获取舰船图像前景的方法，利用图像的前景/背景种子点标记信息为舰船前景切分提供约束，并且同时考虑舰船图像的区域和边缘属性，从而可以获得准确的舰船前景，保证舰船识别的准确性。

所述的一种基于图割切分获取舰船图像前景的方法，包括的步骤有：

i在舰船图像中标记前景和背景种子点；

ii建立舰船图像的无向图模型；

待识别舰船图像的像素集合为M，相邻的图像像素构成相邻像素对{p，q}，待识别舰船图像中所有相邻像素对的集合为N。在8-邻域系统中，图像中的一个像素和8个像素相邻，该像素与相邻的8个像素均构成相邻像素对。

建立一个无向图G＝<V，E>，V表示无向图中的节点，E表示无向图中连接节点的边；无向图中的节点V由两部分组成，一部分节点是待识别舰船图像中的所有像素点p∈M，另一部分节点称为S节点和T节点，分别表示图像的前景和背景标记节点。

因此有，V＝M ∪{S，T}                                 (1)

图G的边集E由“n-连接”和“t-连接”两种类型的边组成。每一个像素对应两条“t-连接”边，分别与S节点和T节点相连；连接相邻两个像素间的边为“n-连接”。因此，图G的边集可表示为E＝N∪∪_p∈M{{p，S}，{p，T}}       (2)

iii计算待识别舰船图像无向图的边权值；

在上一步图像前景/背景种子点标注的基础上设置无向图的边权值，无向图G的边权值如表1所示。

表1s-t图中边权重设定表

对于n-连接，B_{p，q}的计算以灰度梯度、拉普拉斯过零率、梯度方向、几何特性为依据，采用下式进行计算，其中，I_p和I_q为图像像素的灰度，σ为图像像素灰度的方差，dist(p，q)为像素p和像素q之间的距离：

$B_{\{p,q\}}=\exp \left(\frac{{(I_p-I_q)}^2}{{2\mathrm{\&sigma;}}^2}\right)\&CenterDot;\frac{1}{\mathrm{dist}(p,q)}---\left(3\right)$

当|I_p-I_q|＜σ时，由于像素p和像素q较为相似，B_{p，q}值较大，反之相反；其中B_{p，q}为在相邻像素间进行切分的边界损失项，B_{p，q}取值为正，当B_{p，q}的值较大时表示像素p和像素q较为相似，不应将两像素切分开；而当B_{p，q}的值趋近于0时，像素p和像素q差异较大，应该将两像素切分开。B_{p，q}随着像素p和像素q之间的差异增大而减小。

对于t-连接，R_p(obj)和R_p(bkg)分别对应将像素p匹配到前景和背景的区域损失项，按下式(4)、(5)计算，R_p(·)可以是像素p的灰度值与前景或者背景像素灰度值分布模型的匹配程度，即

R_p(obj)＝-ln Pr(I_p|obj)，                      (4)

R_p(bkg)＝-ln Pr(I_p|kbg)。                        (5)

假定Pr(I_p|obj)或Pr(I_p|bkg)服从前景种子点或背景种子点像素灰度值的高斯混合模型分布，有： $\mathrm{Pr}\left(I_p\right|\&CenterDot;)\&Proportional;\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{k}N\left(I_p\right|{\mathrm{\&mu;}}_k,S_k),---\left(6\right)$

其中， $N\left(I_p\right|{\mathrm{\&mu;}}_k,S_k)={\left(2\mathrm{\&pi;}\right)}^{-\frac{d}{2}}{\left|S_k\right|}^{-\frac{1}{2}}\exp (-\frac{1}{2}{(I_p-{\mathrm{\&mu;}}_k)}^T{S_k}^{-1}(I_p-{\mathrm{\&mu;}}_k)),---\left(7\right)$

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k=1---\left(8\right)$

K为高斯成分数，w_k、μ_k、S_k分别为第k个高斯成分的权重、均值和协方差矩阵，

其中，λ为正实数，平衡边界和区域损失项对切分的影响。

iv计算无向图的最小边割集，将无向图分为两部分；

通过计算图G的最小S-T边割集来获得最优的图像切分结果，使最小S-T边割集的边权值之和最小，将无向图G切分为两部分；

v提取舰船前景图像；

最小边割集将图模型分为两部分，与节点S相连的像素点为图像切分的舰船前景区域，与节点T相连的像素点为图像切分的背景区域。

另外，所述提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征的步骤，需要提取舰船图像特征。目前，用来分类舰船的特征有很多种，包括颜色、纹理、长、宽、桅杆的数量等，经过提取后，都可以用来分类舰船。然而，颜色特征或纹理特征受光照条件以及图像质量的影响较大，而长、宽或桅杆的数量等特征过于简单，因此，以上单一提取或者综合提取的特征不易区分舰船型号之间的细微差距。

进而，本发明还提出了一种舰船图像形状特征提取方法，其原理是将Hu不变矩和Zernike不变矩特征融合起来，共同作为舰船识别的匹配特征。利用Hu不变矩描述舰船形状时，提取简便，并具有旋转、平移和尺度变化不变的优势。Zernike不变矩可使信息冗余达到最优化，Zernike多项式的递归性质使快速算法成为可能，并可提取形状的高频特征，描述舰船的细节轮廓。所述的一种舰船图像形状特征提取方法，包括如下步骤：

①提取Hu不变矩特征；

在直角坐标系下，对于N×M的数字图像的图像函数为f(x，y)，定义(p+q )阶原点矩m_pq和中心矩μ_pq分别为

$m_{\mathrm{pq}}=\underset{x=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}^p{y}^{q}f(x,y),---\left(9\right)$

${\mathrm{\&mu;}}_{\mathrm{pq}}=\underset{x=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{M}{\mathrm{\&Sigma;}}}{(x-\stackrel{\&OverBar;}{x})}^p{(y-\stackrel{\&OverBar;}{y})}^{q}f(x,y)---\left(10\right)$

其中，即为区域的矩心坐标，将(p+q)阶规格化中心矩记作η_pq，定义为

${\mathrm{\&eta;}}_{\mathrm{pq}}=\frac{{\mathrm{\&mu;}}_{\mathrm{pq}}}{{\mathrm{\&mu;}}_{00}^Y},$ $Y=\frac{p+q}{2}+1,$ p+q＝2，3，…                           (11)

利用二阶和三阶规格化中心矩可导出以下7个不变矩组，即为Hu不变矩：

Φ₁＝η₂₀+η₀₂                      (12)

${\mathrm{\&Phi;}}_2={({\mathrm{\&eta;}}_{20}-{\mathrm{\&eta;}}_{02})}^2+{4\mathrm{\&eta;}}_{11}^2---\left(13\right)$

Φ₃＝(η₃₀-3η₁₂)²+(3η₃₁-η₀₃)²    (14)

Φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²      (15)

Φ₅＝(η₃₀-3η₁₂)(η₃₀-η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

                                    (16)

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

                                    (17)

Φ₇＝(3η₁₂-η₃₀)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

                                    (18)

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₁₂+η₀₃)²]

②提取Zernike个变矩特征；

计算一幅给定图像的Zernike矩，需要将图像的中心移到坐标原点，将图像像素点映射到单位圆内。在极坐标系下，Zernike不变矩是图像在一组正交多项式{V_nm(x，y)}的投影，这组多项式的单位圆内{x²+y²≤1}是正交的。Zernike正交多项式{V_nm(x，y)}的形式是：V_nm(x，y)＝V_nm(ρ，θ)＝R_nm(ρ)e^jmθ  (19)

式中，n为正整数或零；m为正或负整数；且满足n-|m|为偶数|m|≤n的条件限制；ρ为像素点(x，y)到坐标原点的矢量长度，即

θ为x轴与ρ矢量在逆时针方向的夹角，即θ＝tan^-1(y/x)(-1＜x，y＜1)；

R_nm(ρ)为径向多项式，定义为：

$R_{\mathrm{nm}}\left(\mathrm{\&rho;}\right)=\underset{s=0}{\overset{(n-|m\left|\right)/2}{\mathrm{\&Sigma;}}}\frac{{(-1)}^s\left[\right(n-s)!]{\mathrm{\&rho;}}^{n-2s}}{s!(\frac{n+\left|m\right|}{2}-s)!(\frac{n-\left|m\right|}{2}-s)!}---\left(20\right)$

图像的像素值为f(ρ，θ)，重复率为m的n阶Zernike矩Z_nm定义为

$Z_{\mathrm{nm}}=\frac{n+1}{\mathrm{\&pi;}}\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}f(x,y)V_{\mathrm{nm}}(x,y)---\left(21\right)$

本发明选取Zernike零、一、二、三阶矩，共有六维特征，分别是Z₀₀，Z₁₁，Z₂₀，Z₂₂，Z₃₁和Z₃₃。

③将提取的Hu不变矩和Zernike不变矩特征组合起来作为形状特征向量；

将Hu不变矩特征Φ₁、Φ₂、Φ₃、Φ₄、Φ₅、Φ₆、Φ₇和Zernike不变矩特征Z₀₀、Z₁₁、Z₂₀、Z₂₂、Z₃₁、Z₃₃组合起来，得到十三维特征向量，作为待识别图像和所有

舰船模型二维投影图像的形状特征。

为了更好的实施本发明所述的一种三维舰船识别方法，可以分别采用本发明提出的一种基于图割切分获取舰船图像前景的方法进行提取待识别舰船图像的前景区域，或者采用本发明提出的一种舰船图像形状特征提取方法进行提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征；本领域的技术人员根据本发明披露的内容可以根据需要进行组合实施，但都属于本发明保护的范围。

附图说明

图1本发明实施例中建立已有舰船三维模型数据库的示意图；

图2本发明实施例中参考模型示例图；

图3本发明实施例中将三维参考模型和数据库中的已有舰船三维模型调整至相同的初始姿态示意图；

图4本发明实施例中根据待识别图像调整参考模型姿态示意图；

图5本发明实施例中将所有三维模型旋转至与参考模型相同的姿态示意图；

图6传统图像切分方法不足：(a)原始舰船图像；(b)K-means图像切分结果；(c)N-cut图像切分结果；

图7本发明实施例中利用图割方法获取舰船目标前景过程示意图；

图8本发明实施例中种子点标记示意图；

图9本发明实施例中舰船目标图像前景切分结果示意图；

图10本发明实施例中匹配结果示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

建立已有舰船三维模型数据库；

具体地，建立一组可以自由旋转的已有舰船三维模型，能够展示任意视角下的舰船结构信息，构成舰船三维模型数据库。如图1中所示，为使用3DMax建立的两型已有舰船的三维模型，图中所示的是舰船模型在某一视角下的投影图像。

建立三维参考模型；

建立一个三维参考模型用于确定待识别舰船图像中的姿态，三维参考模型不是某一具体型号舰船的模型，而是所有型号舰船的抽象。如在3DMax下建立的三维参考模型可以是一个指明前部和顶部的几何体，图2中前部和顶部分别对应抽象舰船的前部和顶部。

将三维参考模型和数据库中的已有舰船三维模型调整至相同的初始姿态；

将三维参考模型和数据库中的已有舰船三维模型调整至相同的初始姿态。如图3所示，三维参考模型和数据库中的已有舰船三维模型均处于船头向正左方、船尾向正右方的姿态。

将三维参考模型旋转至与待识别舰船图像相同的姿态；

具体地，是与待识别舰船图像做比较，通过调整三维参考模型，使三维参考模型旋转至与待识别图像中舰船大致相同的姿态，记录三维参考模型分别绕x、y和z轴旋转的角度，即参考模型目前所处的姿态与初始化姿态所呈的角度。如图4所示，图中上方为输入待识别舰船图像，下方为将参考模型旋转至待识别图像中舰船大致相同的姿态，并记录参考模型分别绕x、y和z轴旋转的角度是0、3和37度。

根据三维参考模型旋转的角度调整数据库中所有舰船三维模型的姿态，得到当前姿态下的所有舰船三维模型的二维投影图像；

根据记录的参考模型旋转角度，将数据库中的所有舰船三维模型旋转至相应的角度，并渲染出相应角度下所有舰船三维模型的二维投影图像。如图5所示，分别将A型和B型舰船模型绕x、y和z轴旋转0、3和37度。

提取待识别舰船图像的前景区域；

舰船识别需要从图像中提取舰船的前景，将舰船前景从图像背景中切分出来。

提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征；

用来分类舰船的特征有很多种，包括颜色、纹理、长、宽、桅杆的数量等，经过提取后，都可以用来分类舰船。

对提取的特征进行匹配，将待识别舰船图像匹配至最相似的舰船类型。

根据待识别图像前景区域与所有舰船三维模型二维投影图像的特征向量的距离最小原则，将待识别舰船匹配至具有最小距离的已有舰船，从而完成了三维舰船的识别。

假设两幅舰船图像的特征向量分别为F₁＝{f_1i}和F₂＝{f_2i}(i＝1，2，…，T；T为特征向量的维数)；因此，特征向量间的距离可以表示为：

$d(F_1,F_2)=\sqrt{\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{(f_{1i}-f_{2i})}^2}$

将待识别舰船图像匹配至最相似的舰船类型步骤的匹配示例如图10所示。待识别图像特征向量与型号A和型号B舰船的二维投影图像特征向量间的距离分别是0.2107和1.0575，型号A的距离较小，将待识别图像匹配至型号A。

如图7所示，本发明给出了一种基于图割切分获取舰船图像前景的方法的具体实施例，包括的步骤有：

在待识别舰船图像中标记前景和背景种子点；

在待识别图像的前景区域和背景区域标注任意一组像素点作为前景和背景种子点，种子点可利用鼠标在图像中选择，如图7(a)所示，舰船图像的像素由小正方形表示，“O”和“B”分别表示已标注的前景和背景种子点。标注前景/背景种子点的具体示例如图8所示，图中“△”和“○”的标记点为在一次前景切分实验中选定的前景和背景种子点。

建立待识别舰船图像的无向图模型；

待识别舰船图像的像素集合为M，相邻的图像像素构成相邻像素对{p， q}，待识别舰船图像中所有相邻像素对的集合为N。在8-邻域系统中，图像中的一个像素和8个像素相邻，该像素与相邻的8个像素均构成相邻像素对。

建立一个无向图G＝<V，E>，V表示无向图中的节点，E表示无向图中连接节点的边；无向图中的节点V由两部分组成，一部分节点是待识别舰船图像中的所有像素点p∈M，另一部分节点称为S节点和T节点，分别表示图像的前景和背景标记节点。因此有，

V＝M∪{S，T}                                (1)

如图7(b)所示，其中椭圆形表示图像像素，如像素点p和像素点q，S节点和T节点如图中底部和顶部的节点所示。

图G的边集E由“n-连接”和“t-连接”两种类型的边组成。每一个像素对应两条“t-连接”边，分别与S节点和T节点相连；连接相邻两个像素间的边为“n-连接”。因此，图G的边集可表示为

E＝N∪∪_p∈M{{p，S}，{p，T}}                (2)

在图7(b)中，任意两个像素间的边为“n-连接”，如p和q间的边，任意一个像素均与S节点和T节点相连，如pS和pT。

计算待识别舰船图像无向图的边权值；

在上一步图像前景/背景种子点标注的基础上设置无向图的边权值，无向图G的边权值如表1所示。

表1s-t图中边权重设定表

对于n-连接，B_{p，q}的计算以灰度梯度、拉普拉斯过零率、梯度方向、几何特性为依据，采用下式进行计算，其中，I_p和I_q为图像像素的灰度，σ为图像像素灰度的方差，dist(p，q)为像素p和像素q之间的距离：

$B_{\{p,q\}}=\exp \left(\frac{{(I_p-I_q)}^2}{{2\mathrm{\&sigma;}}^2}\right)\&CenterDot;\frac{1}{\mathrm{dist}(p,q)}---\left(3\right)$

当|I_p-I_q|＜σ时，由于像素p和像素q较为相似，B_{p，q}值较大，反之相反；其中B_{p，q}为在相邻像素间进行切分的边界损失项，B_{p，q}取值为正，当B_{p，q}的值较大时表示像素p和像素q较为相似，不应将两像素切分开；而当B_{p，q}的值趋近于0时，像素p和像素q差异较大，应该将两像素切分开。B_{p，q}随着像素p和像素q之间的差异增大而减小。

对于t-连接，R_p(obj)和R_p(bkg)分别对应将像素p匹配到前景和背景的区域损失项，按下式(4)、(5)计算，R_p(·)可以是像素p的灰度值与前景或者背景像素灰度值分布模型的匹配程度，即

R_p(obj)＝-ln Pr(I_p|obj)，                    (4)

R_p(bkg)＝-ln Pr(I_p|bkg)。                    (5)

假定Pr(I_p|obj)或Pr(I_p|bkg)服从前景种子点或背景种子点像素灰度值的高斯混合模型分布，有

$\mathrm{Pr}\left(I_p\right|\&CenterDot;)\&Proportional;\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{k}N\left(I_p\right|{\mathrm{\&mu;}}_k,S_k),---\left(6\right)$

其中，

$N\left(I_p\right|{\mathrm{\&mu;}}_k,S_k)={\left(2\mathrm{\&pi;}\right)}^{-\frac{d}{2}}{\left|S_k\right|}^{-\frac{1}{2}}\exp (-\frac{1}{2}{(I_p-{\mathrm{\&mu;}}_k)}^T{S_k}^{-1}(I_p-{\mathrm{\&mu;}}_k)),---\left(7\right)$

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_k=1.---\left(8\right)$

K为高斯成分数，w_k、μ_k、S_k分别为第k个高斯成分的权重、均值和协方差矩阵。

λ为正实数，平衡边界和区域损失项对切分的影响。

具体示例如图7(c)所示，图中边中的数字为赋予每条边的权值。

计算待识别舰船图像无向图的最小边割集，将无向图分为两部分；

通过计算图G的最小S-T边割集来获得最优的图像切分结果，使最小S-T边割集的边权值之和最小，将无向图G切分为两部分，该过程如图7(d)所示。

在现有技术中，求最小S-T边割集的方法有很多，通常利用最大流方法将求解最小边割集问题转化为求解流经S节点和T节点的最大流问题，例如由科学出版社出版王树禾编写的《图论》以及机械工业出版社出版李明哲编写的《图论及其算法》。

提取舰船的前景图像。

最小边割集将图模型分为两部分，与节点S相连的像素点为图像切分的舰船前景区域，与节点T相连的像素点为图像切分的背景区域，如图7(d)所示。在示例中，图8的前景切分结果如图9所示。

另外，本发明给出了一种舰船图像形状特征提取方法的具体实施例，将Hu不变矩和Zernike不变矩特征融合起来，共同作为舰船识别的匹配特征。利用Hu不变矩描述舰船形状时，提取简便，并具有旋转、平移和尺度变化不变的优势。Zernike不变矩可使信息冗余达到最优化，Zernike多项式的递归性质使快速算法成为可能，并可提取形状的高频特征，描述舰船的细节轮廓。所述的一种舰船图像形状特征提取的方法，具体实施步骤如下：

提取Hu不变矩特征；

在直角坐标系下，对于N×M的数字图像的图像函数为f(x，y)，定义(p+q)阶原点矩m_pq和中心矩μ_pq分别为

$m_{\mathrm{pq}}=\underset{x=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}^p{y}^{q}f(x,y),---\left(9\right)$

${\mathrm{\&mu;}}_{\mathrm{pq}}=\underset{x=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{M}{\mathrm{\&Sigma;}}}{(x-\stackrel{\&OverBar;}{x})}^p{(y-\stackrel{\&OverBar;}{y})}^{q}f(x,y)---\left(10\right)$

其中，

即为区域的矩心坐标，将(p+q)阶规格化中心矩记作η_pq，定义为

${\mathrm{\&eta;}}_{\mathrm{pq}}=\frac{{\mathrm{\&mu;}}_{\mathrm{pq}}}{{\mathrm{\&mu;}}_{00}^Y},$ $Y=\frac{p+q}{2}+1,$ p+q＝2，3，…                              (11)

利用二阶和三阶规格化中心矩可导出以下7个不变矩组，即为Hu不变矩：

Φ₁＝η₂₀+η₀₂                         (12)

${\mathrm{\&Phi;}}_2={({\mathrm{\&eta;}}_{20}-{\mathrm{\&eta;}}_{02})}^2+{4\mathrm{\&eta;}}_{11}^2---\left(13\right)$

Φ₃＝(η₃₀-3η₁₂)²+(3η₃₁-η₀₃)²                     (14)

Φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²                       (15)

Φ₅＝(η₃₀-3η₁₂)(η₃₀-η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

                                                     (16)

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

Φ₆＝η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

                                                     (17)

+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

Φ₇＝(3η₁₂-η₃₀)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]

                                                     (18)

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₁₂+η₀₃)²]

在本具体实施例中，待识别图像和二维投影图像提取的Hu不变矩特征向量如表2所示。

表2Hu不变矩特征示例

提取Zernike不变矩特征；

计算一幅给定图像的Zernike矩，需要将图像的中心移到坐标原点，将图像像素点映射到单位圆内。在极坐标系下，Zernike不变矩是图像在一组正交多项式{V_nm(x，y)}的投影，这组多项式的单位圆内{x²+y²≤1}是正交的。Zernike正交多项式{V_nm(x，y)}的形式是

V_nm(x，y)＝V_nm(ρ，θ)＝R_nm(ρ)e^jmθ                 (19)

式中，n为正整数或零；m为正或负整数；且满足n-|m|为偶数|m|≤n的条件限制；ρ为像素点(x，y)到坐标原点的矢量长度，即θ为x轴与ρ矢量在逆时针方向的夹角，即θ＝tan^-1(y/x)(-1＜x，y＜1)；R_nm(ρ)为径向多项式，定义为

$R_{\mathrm{nm}}\left(\mathrm{\&rho;}\right)=\underset{s=0}{\overset{(n-|m\left|\right)/2}{\mathrm{\&Sigma;}}}\frac{{(-1)}^s\left[\right(n-s)!]{\mathrm{\&rho;}}^{n-2s}}{s!(\frac{n+\left|m\right|}{2}-s)!(\frac{n-\left|m\right|}{2}-s)!}---\left(20\right)$

图像的像素值为f(ρ，θ)，重复率为m的n阶Zernike矩Z_nm定义为

$Z_{\mathrm{nm}}=\frac{n+1}{\mathrm{\&pi;}}\underset{x}{\mathrm{\&Sigma;}}\underset{y}{\mathrm{\&Sigma;}}f(x,y)V_{\mathrm{nm}}(x,y)---\left(21\right)$

本发明选取Zernike零、一、二、三阶矩，共有六维特征，分别是Z₀₀，Z₁₁，Z₂₀，Z₂₂，Z₃₁和Z₃₃。在示例中，待识别图像和二维投影图像提取的Zernike不变矩特征向量如表3所示。

表3Zernike不变矩特征示例

将提取的Hu不变矩和Zernike不变矩特征组合起来作为形状特征向量。

将Hu不变矩特征Φ₁、Φ₂、Φ₃、Φ₄、Φ₅、Φ₆、Φ₇和Zernike不变矩特征Z₀₀、Z₁₁、Z₂₀、Z₂₂、Z₃₁、Z₃₃组合起来，得到十三维特征向量，作为待识别图像和所有舰船模型二维投影图像的形状特征。

Claims (3)

1.一种三维舰船识别方法，包括的步骤有：

建立已有舰船三维模型数据库；

建立三维参考模型；

将三维参考模型和数据库中的已有舰船三维模型调整至相同的初始姿态；

将三维参考模型旋转至与待识别舰船图像相同的姿态；

根据三维参考模型旋转的角度调整数据库中所有舰船三维模型的姿态，得到当前姿态下的所有舰船三维模型的二维投影图像；

提取待识别舰船图像的前景区域；

提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征；

对提取的特征进行匹配，将待识别舰船图像匹配至最相似的舰船类型。

2.根据权利要求1所述的一种三维舰船识别方法，其特征在于所述提取待识别舰船图像的前景区域采用一种基于图割切分获取舰船图像前景的方法，包括的步骤有：

i 在舰船图像中标记前景和背景种子点；

ii 建立舰船图像的无向图模型；

iii 计算待识别舰船图像无向图的边权值；

iv 计算无向图的最小边割集，将无向图分为两部分；

v 提取舰船前景图像。

3.根据权利要求1所述的一种三维舰船识别方法，其特征在于所述步骤提取待识别舰船图像前景区域和所有舰船三维模型二维投影图像的特征，采用一种舰船图像形状特征提取方法，包括如下步骤：

①提取Hu不变矩特征；

②提取Zernike不变矩特征；

③将提取的Hu不变矩和Zernike不变矩特征组合起来作为形状特征向量。

Images